Trygghet, Trivsel och Studiero

1 Importera data

Code

df.all <- read.spss("~/RISE/SHIC - Data i Dialog - Data i Dialog/data/Sigtuna/TTS/Databas Sigtuna TTS.sav", to.data.frame = TRUE)

df <- df.all

spssLabels <- df %>% 
  attr('variable.labels') %>% 
  as.data.frame()

names(df) <- spssLabels$.

itemlabels <- data.frame(itemnr = paste0("q",c(1:34)),
                         item = names(df[8:41])
                         ) %>% 
  mutate(item = str_replace(item, "kännt", "känt"))
write.csv(itemlabels, "TTSitemlabels.csv")

names(df)[8:41] <- paste0("q",c(1:34))

df <- df %>%
  mutate(Årskurs = str_replace(Årskurs, "Elever ", "")) %>%
  mutate(
    Årskurs = str_trim(Årskurs, side = "right"),
    Klass = str_trim(Klass, side = "right"),
    Skola = str_trim(`Skolans namn`, side = "right"), .after = "Kommun"
  ) %>%
  select(!`Skolans namn`) %>%
  mutate(Stadium = case_when(
    Årskurs %in% c("Åk 1", "Åk 2", "Åk 3") ~ "Lågstadiet",
    Årskurs %in% c("Åk 4", "Åk 5", "Åk 6") ~ "Mellanstadiet",
    Årskurs %in% c("Åk 7", "Åk 8", "Åk 9") ~ "Högstadiet",
    Årskurs == "Förskoleklass" ~ "Förskoleklass",
    TRUE ~ NA
  ), .before = "Årskurs") %>%
  mutate(
    Årskurs = factor(Årskurs),
    Skola = factor(Skola),
    Klass = factor(Klass),
    Stadium = factor(Stadium)
  ) %>%
  mutate(Kön = car::recode(Kön, "'[Ej svar]'=NA"))

årtal <- c(2017:2022)
årskurser <- df %>% 
  distinct(Årskurs) %>% 
  pull(Årskurs)

df.items <- df %>% 
  select(starts_with("q"))

2 Deskriptiva data

Totalt antal svar/stadium

Code

df %>% 
  group_by(År,Stadium) %>% 
  reframe(Antal = n()) %>% 
  ggplot(aes(x = År, y = Antal, color = Stadium)) + 
  geom_line(linewidth = 1) +
  geom_point(size = 3) +
  #scale_color_viridis_d() +
  scale_x_continuous(guide = guide_axis(n.dodge = 1), breaks = årtal) +
  scale_y_continuous(limits = c(0,NA)) +
  labs(title = "Antal respondenter per år",
       subtitle = "Fördelat på stadium") +
  theme_minimal() +
  theme_rise() +
  theme(text = element_text(family = "Lato"))

Totalt antal svar/årskurs

Code

df %>%
  group_by(År,Årskurs) %>% 
  reframe(Antal = n()) %>% 
  ggplot(aes(x = År, y = Antal, color = Årskurs)) + 
  geom_line(linewidth = 1) +
  geom_point(size = 3) +
  #scale_color_viridis_d() +
  scale_x_continuous(guide = guide_axis(n.dodge = 1), breaks = årtal) +
  scale_y_continuous(limits = c(0,NA)) +
  labs(title = "Antal respondenter per år",
       subtitle = "Fördelat på årskurs") +
  theme_minimal() +
  theme_rise() +
  theme(text = element_text(family = "Lato"))

Stadium/kön

Code

df %>% 
  drop_na(Kön) %>% 
  group_by(År,Stadium,Kön) %>% 
  reframe(Antal = n()) %>% 
  ggplot(aes(x = År, y = Antal, color = Stadium)) + 
  geom_line(linewidth = 1) +
  geom_point(size = 3) +
  #scale_color_viridis_d() +
  scale_x_continuous(guide = guide_axis(n.dodge = 1), breaks = årtal) +
  scale_y_continuous(limits = c(0,NA)) +
  labs(title = "Antal respondenter per år",
       subtitle = "Fördelat på stadium och kön") +
  theme_minimal() +
  theme_rise() +
  theme(text = element_text(family = "Lato")) +
  facet_wrap(~Kön)

3 Frågor i enkäten

Code

itemlabels %>% 
  slice(c(1:10,14:15,27:30,32:34)) %>% 
  kbl_rise()

itemnr	item
q1	Jag trivs i skolan
q2	Jag trivs i min klass
q3	Jag kan koncentrera mig på lektionerna
q4	Jag kan jobba på lektionerna
q5	Jag lär mig olika saker på lektionerna
q6	Jag känner mig trygg i skolan
q7	Jag blir bra bemött av vuxna i skolan
q8	Jag blir bra bemött av elever i skolan
q9	De vuxna på skolan reagerar om de får reda på att någon har varit elak mot en elev
q10	Jag vet vem på skolan jag kan vända mig till om någon är elak mot mig
q14	Jag upplever att elevrådet har möjlighet att vara delaktigt i beslut
q15	Jag känner till FN:s barnkonvention och mina rättigheter enligt den
q27	Jag trivs på fritidshemmet
q28	Jag känner mig trygg på fritidshemmet
q29	Jag får vara med och påverka vad vi gör på fritidshemmet
q30	Det jag lär mig på fritidshemmet hjälper mig i skolarbetet
q32	Jag lär och utvecklar mig på modersmålsundervisningen
q33	Jag får hjälp av min modersmålslärare när jag behöver den
q34	Jag kan koncentrera mig på modersmålsundervisningen

Ovanstående frågor har fyra svarskategorier, där bara ändpunkterna har etiketter (Instämmer helt - Instämmer inte alls), samt alternativet “Vet ej”.

Fråga 11-12 kan besvaras med Ja/Nej.

• q11: Har du varit utsatt för kränkning på din skola i år?
• q12: Har du varit utsatt för upprepade kränkningar på din skola i år?

Code

itemlabels %>% 
  slice(c(27:30,32:34)) %>% 
  kbl_rise()

itemnr	item
q27	Jag trivs på fritidshemmet
q28	Jag känner mig trygg på fritidshemmet
q29	Jag får vara med och påverka vad vi gör på fritidshemmet
q30	Det jag lär mig på fritidshemmet hjälper mig i skolarbetet
q32	Jag lär och utvecklar mig på modersmålsundervisningen
q33	Jag får hjälp av min modersmålslärare när jag behöver den
q34	Jag kan koncentrera mig på modersmålsundervisningen

Fråga 27-30 handlar om fritidshemmet, medan 31-34 handlar om modersmålsundervisning.

Fråga 13 är “Var känner du dig minst trygg på skolan?”, med följande åtta möjliga svarsalternativ:

Code

df %>% distinct(q13) %>% 
  filter(!q13 == "NA") %>% 
  rename(`Var känner du dig minst trygg på skolan?` = q13) %>% 
  kbl_rise()

Var känner du dig minst trygg på skolan?
Jag känner mig trygg överallt på skolan
Korridoren
Omklädningsrummet
Skolgården
Klassrummet
Annat:
Matsalen
Internet/sociala medier

Frågorna 16-22 handlar om de sju diskrimineringsgrunderna, och fråga 23 blir svårtolkad. Ska man svara “Ja” på den om man blivit illa behandlad på grund av något annat än de sju diskrimineringsgrunderna, eller om man inte alls blivit illa behandlad? Vad betyder “Nej” på den frågan?

Fråga 24 och 25 handlar om utsatthet för sexuella trakasserier någon gång under året (oavsett plats) samt om det hänt upprepade gånger på skolan (Ja/nej/vet ej).

Code

itemlabels %>% 
  slice(c(16:23)) %>% 
  kbl_rise()

itemnr	item
q16	Har du känt dig illa/annorlunda behandlad på din skola i år på grund av: - Ditt kön
q17	Har du känt dig illa/annorlunda behandlad på din skola i år på grund av: - Din etniska bakgrund
q18	Har du känt dig illa/annorlunda behandlad på din skola i år på grund av: - Din religion eller trosuppfattning
q19	Har du känt dig illa/annorlunda behandlad på din skola i år på grund av: - Ditt funktionshinder
q20	Har du känt dig illa/annorlunda behandlad på din skola i år på grund av: - Din sexuella läggning
q21	Har du känt dig illa/annorlunda behandlad på din skola i år på grund av: - Din ålder
q22	Har du känt dig illa/annorlunda behandlad på din skola i år på grund av: - Din könsidentitet/ könsuttryck
q23	Har du känt dig illa/annorlunda behandlad på din skola i år på grund av: - Inget av ovanstående

4 Explorativ analys

Vi lägger in fråga 1-12 i en analys för att se om de kan användas tillsammans för att estimera indexvärden. Initialt tittar vi enbart på data från högstadiet.

Code

df %>% 
  filter(Stadium == "Högstadiet") %>% 
  pull(Kön) %>% 
  RIdemographics(.,"Kön")
df %>% 
  filter(Stadium == "Högstadiet") %>% 
  pull(Årskurs) %>% 
  RIdemographics(.,"Årskurs")
df %>% 
  filter(Stadium == "Högstadiet") %>% 
  pull(År) %>% 
  RIdemographics(.,"År")

Kön	n	Percent
Annat/Vill ej svara	192	3.0
Flicka	3051	47.9
Pojke	3130	49.1

Årskurs	n	Percent
Åk 1	0	0.0
Åk 2	0	0.0
Åk 3	0	0.0
Åk 4	0	0.0
Åk 5	0	0.0
Åk 6	0	0.0
Åk 7	2231	35.0
Åk 8	2062	32.4
Åk 9	2080	32.6
Förskoleklass	0	0.0

År	n	Percent
2017	871	13.7
2018	981	15.4
2019	1135	17.8
2020	1270	19.9
2021	1046	16.4
2022	1070	16.8

Först tittar vi på rådata.

Code

library(skimr)
df %>% 
  filter(Stadium == "Högstadiet") %>% 
  select(q1:q12) %>%
  skim()

Data summary

Name	Piped data
Number of rows	6373
Number of columns	12
_______________________
Column type frequency:
factor	12
________________________
Group variables	None

Variable type: factor

skim_variable	n_missing	complete_rate	ordered	n_unique	top_counts
q1	0	1.00	FALSE	5	Ins: 2770, 3: 2496, 2: 664, Ins: 251
q2	871	0.86	FALSE	5	Ins: 2781, 3: 1772, 2: 587, Ins: 231
q3	0	1.00	FALSE	5	3: 2947, 2: 1801, Ins: 960, Ins: 523
q4	871	0.86	FALSE	5	3: 2727, Ins: 1478, 2: 965, Ins: 243
q5	871	0.86	FALSE	5	3: 2491, Ins: 1703, 2: 987, Ins: 229
q6	0	1.00	FALSE	5	Ins: 2907, 3: 2312, 2: 744, Ins: 260
q7	0	1.00	FALSE	5	Ins: 2927, 3: 2199, 2: 803, Ins: 290
q8	0	1.00	FALSE	5	3: 2692, Ins: 2246, 2: 991, Ins: 264
q9	871	0.86	FALSE	5	3: 1676, Ins: 1663, 2: 1036, Vet: 599
q10	0	1.00	FALSE	5	Ins: 3367, 3: 1549, 2: 700, Ins: 488
q11	0	1.00	FALSE	2	Nej: 5086, Ja: 1287
q12	0	1.00	FALSE	2	Nej: 5676, Ja: 697

4.1 Missing data

Code

df %>% 
  filter(Stadium == "Högstadiet") %>% 
  select(q1:q12) %>%
  RImissing()

Fyra items har exakt samma struktur. Det antyder dels att data är “tvättade” redan, och att det rör sig om items som tillkommit/tagits bort vid någon datainsamling.

Låt oss titta på andelen missing data (NA) per år.

Code

df %>% 
  select(q1:q12,År,Kön) %>% 
  #filter(År >= 2013) %>% 
  drop_na(Kön) %>% 
  pivot_longer(q1:q12, names_to = "Item", values_to = "Svarskategori") %>% 
  group_by(År,Kön,Item) %>% 
  count(Svarskategori) %>% 
  mutate(Andel = 100 * n / sum(n)) %>% 
  #filter(Svarskategori %in% c("Vet inte",NA)) %>% 
  ggplot(aes(x = factor(År), y = Andel, group = Kön, color = Kön, fill = Kön)) +
  geom_point(size = 1.2, alpha = 0.85) +
  geom_line(linewidth = 0.4, alpha = 0.85) +
  #scale_y_continuous(limits = c(0,100), breaks = c(0,20,40,60,80,100)) +
  scale_color_manual(values = RISEpalette1)  +
  scale_x_discrete(guide = guide_axis(n.dodge = 2)) +
    labs(title = "Fördelning av svar items q1-q12",
       subtitle = "Samtliga årskurser") +
  ylab("Andel respondenter i procent") +
  xlab("Årtal") +
  theme_rise() +
  theme_minimal(base_size = 9) +
  facet_grid(Item~Svarskategori,
             switch = "y") +
  theme(legend.position = "top")

Vi kodar om svarskategorierna till siffror inför analysen, och tar bort alla respondenter med missing data. Högre värden = bättre, så gällande fråga 11-12 kodas Ja = 0 och Nej = 1.

Code

df.index <- df %>% 
  filter(Stadium == "Högstadiet") %>% 
  select(q1:q12) %>% 
  mutate(across(q1:q10, ~ car::recode(.x,"'Instämmer inte alls'=0;
                                            2=1;
                                            3=2;
                                            'Instämmer helt'=3;
                                            'Vet ej'=NA;
                                            '<NA>'=NA", 
                                            as.factor = FALSE))) %>% 
  mutate(across(q11:q12, ~ car::recode(.x,"'Nej'=1;
                                       'Ja'=0",
                                       as.factor = FALSE))) %>% 
  na.omit()

4.2 Deskriptiva data

itemnr	item
q1	Jag trivs i skolan
q2	Jag trivs i min klass
q3	Jag kan koncentrera mig på lektionerna
q4	Jag kan jobba på lektionerna
q5	Jag lär mig olika saker på lektionerna
q6	Jag känner mig trygg i skolan
q7	Jag blir bra bemött av vuxna i skolan
q8	Jag blir bra bemött av elever i skolan
q9	De vuxna på skolan reagerar om de får reda på att någon har varit elak mot en elev
q10	Jag vet vem på skolan jag kan vända mig till om någon är elak mot mig
q11	Har du varit utsatt för kränkning på din skola i år?
q12	Har du varit utsatt för upprepade kränkningar på din skola i år?

Tileplot

Code

RItileplot(df.index) + theme_minimal() + theme_rise()

Stacked bars

Code

RIbarstack(df.index) + theme_minimal() + theme_rise()

Barplots

Code

RIbarplot(df.index)

Heatmap

Code

RIheatmap(df.index)

4.3 Rasch-analys 1 samtliga items

itemnr	item
q1	Jag trivs i skolan
q2	Jag trivs i min klass
q3	Jag kan koncentrera mig på lektionerna
q4	Jag kan jobba på lektionerna
q5	Jag lär mig olika saker på lektionerna
q6	Jag känner mig trygg i skolan
q7	Jag blir bra bemött av vuxna i skolan
q8	Jag blir bra bemött av elever i skolan
q9	De vuxna på skolan reagerar om de får reda på att någon har varit elak mot en elev
q10	Jag vet vem på skolan jag kan vända mig till om någon är elak mot mig
q11	Har du varit utsatt för kränkning på din skola i år?
q12	Har du varit utsatt för upprepade kränkningar på din skola i år?

Item fit

Code

RIitemfitPCM2(df.index, 250, 32, 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
q1	0.794	0.784	-1.946	-2.431
q2	0.848	0.86	-1.305	-1.366
q3	0.989	0.991	-0.183	-0.074
q4	0.905	0.923	-1.235	-0.802
q5	0.997	0.994	-0.135	-0.048
q6	0.718	0.747	-2.888	-3.067
q7	1.036	0.971	0.639	-0.18
q8	0.844	0.839	-1.872	-1.951
q9	1.089	1.03	0.729	0.433
q10	1.125	1.082	0.858	0.771
q11	1.08	1.008	0.574	0.127
q12	0.949	0.989	0.23	-0.026

1st contrast loadings

Code

RIloadLoc(df.index)

PCA av residualer

Code

RIpcmPCA(df.index)

Eigenvalues
2.14
1.77
1.59
1.05
1.02

Residualkorrelationer

Code

RIresidcorr(df.index, 0.2)

	q1	q2	q3	q4	q5	q6	q7	q8	q9	q10	q11	q12
q1
q2	0.21
q3	-0.15	-0.01
q4	-0.16	-0.12	0.31
q5	-0.2	-0.18	0.02	0.17
q6	0.31	0.08	-0.17	-0.2	-0.21
q7	-0.19	-0.21	-0.21	-0.17	0	-0.17
q8	0.08	0.02	-0.17	-0.17	-0.24	0.19	-0.17
q9	-0.24	-0.26	-0.19	-0.19	-0.06	-0.24	0.12	-0.18
q10	-0.22	-0.23	-0.2	-0.19	-0.11	-0.17	0.06	-0.13	0.12
q11	-0.03	-0.01	-0.12	-0.09	-0.17	0.01	-0.13	0.07	-0.14	-0.18
q12	-0.01	-0.02	-0.1	-0.12	-0.16	0.04	-0.12	0.05	-0.11	-0.17	0.63
Note:
Relative cut-off value (highlighted in red) is 0.126, which is 0.2 above the average correlation.

Targeting

Code

RItargeting(df.index)

Item-hierarki

Code

RIitemHierarchy(df.index)

Item fit ser bra ut. PCA eigenvalue och residualkorrelationer visar på att flera frågor är väldigt lika varandra. Tydligast är q11 och 12, vilket är förväntat eftersom de handlar om samma sak med olika svårighetsgrad. H

I övrigt är det främst stora residualkorrelationer mellan:

• q1 och 2 (trivs i skolan/klassen)
• q3 och 4 (koncentrera mig/jobba på lektionerna)
• q1 och 6 (trivs och trygg)
• q6 och 8 (bra bemött och trygg)

Figuren med faktorladdningar på första kontrastfaktorn visar en möjlig delning i två kluster:

• 1, 2, 6, 8, 11 och 12 (trivsel, trygghet, frånvaro av kränkningar)
• 3, 4, 5, 7, 9, 10 (studiero, vuxnas bemötande)

Vi provar att köra två separata analyser.

4.4 Rasch-analys 1 trivsel/trygghet

Code

df.ttf <- df %>% 
  filter(Stadium == "Högstadiet") %>% 
  mutate(across(q1:q10, ~ car::recode(.x,"'Instämmer inte alls'=0;
                                            2=1;
                                            3=2;
                                            'Instämmer helt'=3;
                                            'Vet ej'=NA;
                                            '<NA>'=NA", 
                                            as.factor = FALSE))) %>% 
  mutate(across(q11:q12, ~ car::recode(.x,"'Nej'=0;
                                       'Ja'=1",
                                       as.factor = FALSE))) %>%
  #mutate(q11_12 = q11 + q12) %>% 
  select(q1,q2,q6,q8,q11,q12) %>% 
  na.omit() 

# itemlabels <- rbind(itemlabels,c("q11_12","Har du varit utsatt för (upprepad) kränkning på din skola i år?"))

Code

RItileplot(df.ttf)

itemnr	item
q1	Jag trivs i skolan
q2	Jag trivs i min klass
q6	Jag känner mig trygg i skolan
q8	Jag blir bra bemött av elever i skolan
q11	Har du varit utsatt för kränkning på din skola i år?
q12	Har du varit utsatt för upprepade kränkningar på din skola i år?

Item fit

Code

RIitemfitPCM2(df.ttf, samplesize = 250, nsamples = 32, cpu = 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
q1	0.492	0.501	-6.139	-6.171
q2	0.586	0.618	-4.007	-4.572
q6	0.491	0.52	-5.73	-6.021
q8	0.645	0.658	-4.146	-4.207
q11	3.929	1.406	8.756	4.216
q12	4.768	1.107	6.75	0.871

PCA

Code

RIpcmPCA(na.omit(df.ttf))

PCA of Rasch model residuals

Eigenvalues
2.29
1.24
1.12
0.87
0.29

Residual correlations

Code

RIresidcorr(df.ttf, cutoff = 0.2)

	q1	q2	q6	q8	q11	q12
q1
q2	0.13
q6	0.25	-0.01
q8	0.03	-0.05	0.15
q11	-0.44	-0.37	-0.47	-0.46
q12	-0.4	-0.34	-0.44	-0.4	0.72
Note:
Relative cut-off value (highlighted in red) is 0.062, which is 0.2 above the average correlation.

1st contrast loadings

Code

RIloadLoc(df.ttf)

Analysis of response categories

Code

RIitemCats(df.ttf, items = "all", xlims = c(-5,5))

Targeting

Code

# increase fig-height above as needed, if you have many items
RItargeting(df.ttf)

Item hierarchy

Code

RIitemHierarchy(df.ttf)

Person fit

Code

RIpfit(df.ttf)

Reliability

Code

RItif(df.ttf)

I denna uppsättning items är det tydligt att q11 och q12 tillhör en separat dimension.

Vi tar bort dessa items och ser hur de andra fungerar utan dem.

4.5 Rasch-analys 2 trivsel & trygghet

Code

df.ttf$q11 <- NULL
df.ttf$q12 <- NULL

itemnr	item
q1	Jag trivs i skolan
q2	Jag trivs i min klass
q6	Jag känner mig trygg i skolan
q8	Jag blir bra bemött av elever i skolan

Item fit

Code

RIitemfitPCM2(df.ttf, samplesize = 250, nsamples = 32, cpu = 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
q1	0.683	0.674	-3.207	-3.572
q2	0.906	0.877	-0.961	-1.388
q6	0.676	0.668	-3.533	-3.464
q8	0.931	0.923	-0.777	-0.741

PCA

Code

RIpcmPCA(na.omit(df.ttf))

PCA of Rasch model residuals

Eigenvalues
1.52
1.39
1.09
0.01

Residual correlations

Code

RIresidcorr(df.ttf, cutoff = 0.2)

	q1	q2	q6	q8
q1
q2	-0.19
q6	-0.12	-0.39
q8	-0.38	-0.37	-0.19
Note:
Relative cut-off value (highlighted in red) is -0.075, which is 0.2 above the average correlation.

1st contrast loadings

Code

RIloadLoc(df.ttf)

Analysis of response categories

Code

RIitemCats(df.ttf, items = "all", xlims = c(-5,5))

Targeting

Code

# increase fig-height above as needed, if you have many items
RItargeting(df.ttf)

Item hierarchy

Code

RIitemHierarchy(df.ttf)

Person fit

Code

RIpfit(df.ttf)

Reliability

Code

RItif(df.ttf)

Dessa items fungerar även om flera har låg item fit, men har låg reliabilitet tillsammans. Vi kan eventuellt använda sammansättningen items för att testa invarians/DIF för frågorna (kommer längre ner i denna analys).

4.6 Rasch-analys 1 studiero

Code

df.studiero <- df.index %>% 
  select(!any_of(c("q1","q2","q6","q8","q11","q12")))

Code

RItileplot(df.studiero)

itemnr	item
q3	Jag kan koncentrera mig på lektionerna
q4	Jag kan jobba på lektionerna
q5	Jag lär mig olika saker på lektionerna
q7	Jag blir bra bemött av vuxna i skolan
q9	De vuxna på skolan reagerar om de får reda på att någon har varit elak mot en elev
q10	Jag vet vem på skolan jag kan vända mig till om någon är elak mot mig

Item fit

Code

RIitemfitPCM2(df.studiero, samplesize = 250, nsamples = 32, cpu = 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
q3	0.929	0.927	-0.752	-0.894
q4	0.801	0.82	-2.363	-2.082
q5	0.818	0.823	-1.935	-2.117
q7	0.882	0.841	-1.134	-1.638
q9	0.88	0.837	-1.34	-1.967
q10	0.949	0.906	-0.443	-0.863

PCA

Code

RIpcmPCA(na.omit(df.studiero))

PCA of Rasch model residuals

Eigenvalues
1.95
1.19
1.04
1.03
0.77

Residual correlations

Code

RIresidcorr(df.studiero, cutoff = 0.2)

	q3	q4	q5	q7	q9	q10
q3
q4	0.26
q5	-0.08	0.06
q7	-0.31	-0.3	-0.14
q9	-0.32	-0.34	-0.24	-0.02
q10	-0.32	-0.33	-0.28	-0.07	-0.02
Note:
Relative cut-off value (highlighted in red) is 0.036, which is 0.2 above the average correlation.

1st contrast loadings

Code

RIloadLoc(df.studiero)

Analysis of response categories

Code

RIitemCats(df.studiero, items = "all", xlims = c(-5,5))

Targeting

Code

# increase fig-height above as needed, if you have many items
RItargeting(df.studiero)

Item hierarchy

Code

RIitemHierarchy(df.studiero)

Person fit

Code

RIpfit(df.studiero)

Reliability

Code

RItif(df.studiero)

Item q3 och 4 har en stark residualkorrelation och en av dem behöver tas bort. Vi tar bort q4 eftersom den har något lägre item fit och targeting jämfört med q3.

4.7 Rasch-analys 2 studiero

Code

df.studiero$q4 <- NULL

itemnr	item
q3	Jag kan koncentrera mig på lektionerna
q5	Jag lär mig olika saker på lektionerna
q7	Jag blir bra bemött av vuxna i skolan
q9	De vuxna på skolan reagerar om de får reda på att någon har varit elak mot en elev
q10	Jag vet vem på skolan jag kan vända mig till om någon är elak mot mig

Item fit

Code

RIitemfitPCM2(df.studiero, samplesize = 250, nsamples = 32, cpu = 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
q3	1.004	1.008	0.098	0.427
q5	0.828	0.845	-1.848	-1.778
q7	0.766	0.762	-2.541	-2.871
q9	0.75	0.739	-2.908	-3.42
q10	0.796	0.807	-1.587	-2.094

PCA

Code

RIpcmPCA(na.omit(df.studiero))

PCA of Rasch model residuals

Eigenvalues
1.60
1.21
1.14
1.04
0.02

Residual correlations

Code

RIresidcorr(df.studiero, cutoff = 0.2)

	q3	q5	q7	q9	q10
q3
q5	-0.01
q7	-0.29	-0.15
q9	-0.3	-0.26	-0.09
q10	-0.3	-0.29	-0.15	-0.11
Note:
Relative cut-off value (highlighted in red) is 0.005, which is 0.2 above the average correlation.

1st contrast loadings

Code

RIloadLoc(df.studiero)

Targeting

Code

# increase fig-height above as needed, if you have many items
RItargeting(df.studiero, xlim = c(-4,5))

Item hierarchy

Code

RIitemHierarchy(df.studiero)

Person fit

Code

RIpfit(df.studiero)

Reliability

Code

RItif(df.studiero)

Det är små skillnader mellan T1 och T2 för q10, men de är inte oordnade. I övrigt ser allt acceptabelt ut, dock med en tydlig takeffekt och låg reliabilitet.

Vi återgår till att titta på samtliga items tillsammans och se om det går att ta fram ett fungerande index.

4.8 Rasch-analys 2 samtliga items

Utifrån vår tidigare analys fanns en del residualkorrelationer att hantera. Vi börjar med att ta bort:

• q4 (q3 har bättre targeting)

Samt att vi slår samman q11 och q12, där svaret “Ja” på någon av frågorna blir “Ja” (0) i den nya frågan, och den som svarat “Nej” på båda frågorna blir “Nej” (1). Vi kodar fortfarande konsekvent så att högre värden = bättre/mera önskvärt resultat.

Det är inte optimalt att ställa två ja/nej-frågor med i princip samma innehåll men olika frekvenspåståenden. Om det i stället hade funnits en enda fråga om utsatthet för kränkning med flera frekvenspåståenden hade det fungerat betydligt bättre. Som det är nu uppstår t.ex. situationen där den som blivit utsatt för flera kränkningar kan svara “Nej” på om den blivit utsatt för en kränkning.

Code

df.index <- df %>% 
  filter(Stadium == "Högstadiet") %>% 
  select(q1:q12) %>% 
  mutate(across(q1:q10, ~ car::recode(.x,"'Instämmer inte alls'=0;
                                            2=1;
                                            3=2;
                                            'Instämmer helt'=3;
                                            'Vet ej'=NA;
                                            '<NA>'=NA", 
                                            as.factor = FALSE))) %>% 
  mutate(across(q11:q12, ~ car::recode(.x,"'Nej'=1;
                                       'Ja'=0",
                                       as.factor = FALSE))) %>% 
  na.omit() %>% 
  mutate(q11q12 = case_when(q11 == 0 | q12 == 0 ~ 0,
                            q11 == 1 & q12 == 1 ~ 1)
         ) %>% 
  select(!any_of(c("q4","q11","q12")))
RItileplot(df.index)

Code

itemlabels <- rbind(itemlabels,c("q11q12","Har du varit utsatt för en eller flera kränkningar på din skola i år?"))

itemnr	item
q1	Jag trivs i skolan
q2	Jag trivs i min klass
q3	Jag kan koncentrera mig på lektionerna
q5	Jag lär mig olika saker på lektionerna
q6	Jag känner mig trygg i skolan
q7	Jag blir bra bemött av vuxna i skolan
q8	Jag blir bra bemött av elever i skolan
q9	De vuxna på skolan reagerar om de får reda på att någon har varit elak mot en elev
q10	Jag vet vem på skolan jag kan vända mig till om någon är elak mot mig
q11q12	Har du varit utsatt för en eller flera kränkningar på din skola i år?

Item fit

Code

RIitemfitPCM2(df.index, 250, 32, 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
q1	0.755	0.764	-2.342	-2.683
q2	0.819	0.847	-1.393	-1.664
q3	1.045	1.047	0.244	0.586
q5	1.024	1.023	0.157	0.322
q6	0.684	0.723	-3.07	-3.031
q7	0.97	0.939	-0.087	-0.791
q8	0.816	0.823	-1.801	-2.107
q9	1.023	0.991	0.181	-0.23
q10	1.046	1.03	0.134	0.422
q11q12	1.221	1.039	0.787	0.429

1st contrast loadings

Code

RIloadLoc(df.index)

PCA av residualer

Code

RIpcmPCA(df.index)

Eigenvalues
2.08
1.42
1.08
1.04
1.01

Residualkorrelationer

Code

RIresidcorr(df.index, 0.2)

	q1	q2	q3	q5	q6	q7	q8	q9	q10	q11q12
q1
q2	0.2
q3	-0.13	0.01
q5	-0.2	-0.17	0.06
q6	0.3	0.06	-0.15	-0.21
q7	-0.22	-0.24	-0.2	0	-0.21
q8	0.06	0.01	-0.15	-0.23	0.17	-0.2
q9	-0.28	-0.29	-0.18	-0.06	-0.28	0.09	-0.21
q10	-0.26	-0.26	-0.19	-0.11	-0.21	0.03	-0.16	0.09
q11q12	-0.01	0.01	-0.08	-0.14	0.03	-0.12	0.09	-0.13	-0.17
Note:
Relative cut-off value (highlighted in red) is 0.106, which is 0.2 above the average correlation.

Targeting

Code

RItargeting(df.index)

Item-hierarki

Code

RIitemHierarchy(df.index)

Som väntat ligger de generella frågorna q1 och q6 lågt i item fit, och korrelerar med andra frågor.

Vi har problematiska residualkorrelationer:

• q1 med q2 och q6 (trivs i skolan; trivs i klassen; känner mig trygg i skolan )
• q6 med q8 (och q1), där 8 = blir bra bemött av elever

Vi tar bort q1 först.

Code

df.index %>% 
  select(!q1) %>% 
  RIresidcorr(0.2)

	q2	q3	q5	q6	q7	q8	q9	q10	q11q12
q2
q3	0.02
q5	-0.16	0.04
q6	0.12	-0.13	-0.19
q7	-0.23	-0.22	-0.03	-0.19
q8	0.04	-0.14	-0.24	0.21	-0.21
q9	-0.29	-0.21	-0.09	-0.26	0.05	-0.22
q10	-0.26	-0.22	-0.15	-0.2	-0.01	-0.17	0.05
q11q12	0.02	-0.08	-0.15	0.05	-0.12	0.09	-0.14	-0.18
Note:
Relative cut-off value (highlighted in red) is 0.095, which is 0.2 above the average correlation.

6 korrelerar med både 2 och 8, vi tar bort den med.

Code

df.index <- df.index %>% 
  select(!q1) %>%
  select(!q6)

4.9 Rasch-analys 3 samtliga items

itemnr	item
q2	Jag trivs i min klass
q3	Jag kan koncentrera mig på lektionerna
q5	Jag lär mig olika saker på lektionerna
q7	Jag blir bra bemött av vuxna i skolan
q8	Jag blir bra bemött av elever i skolan
q9	De vuxna på skolan reagerar om de får reda på att någon har varit elak mot en elev
q10	Jag vet vem på skolan jag kan vända mig till om någon är elak mot mig
q11q12	Har du varit utsatt för en eller flera kränkningar på din skola i år?

Item fit

Code

RIitemfitPCM2(df.index, 250, 32, 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
q2	0.863	0.885	-1.098	-1.224
q3	0.961	0.966	-0.504	-0.363
q5	0.912	0.916	-1.056	-1.078
q7	0.839	0.832	-1.62	-1.893
q8	0.845	0.851	-1.703	-1.658
q9	0.859	0.844	-1.552	-2.096
q10	0.878	0.894	-0.819	-0.885
q11q12	1.139	1.032	0.963	0.381

1st contrast loadings

Code

RIloadLoc(df.index)

PCA av residualer

Code

RIpcmPCA(df.index)

Eigenvalues
1.70
1.42
1.09
1.01
0.97

Residualkorrelationer

Code

RIresidcorr(df.index, 0.2)

	q2	q3	q5	q7	q8	q9	q10	q11q12
q2
q3	0.03
q5	-0.16	0.03
q7	-0.22	-0.24	-0.05
q8	0.09	-0.12	-0.22	-0.19
q9	-0.29	-0.24	-0.13	0.02	-0.21
q10	-0.25	-0.25	-0.18	-0.04	-0.15	0.01
q11q12	0.04	-0.08	-0.15	-0.12	0.11	-0.14	-0.18
Note:
Relative cut-off value (highlighted in red) is 0.082, which is 0.2 above the average correlation.

Targeting

Code

RItargeting(df.index)

Item-hierarki

Code

RIitemHierarchy(df.index)

Reliabilitet

Code

RItif(df.index)

Svarskategorier

Code

RIitemCats(df.index)

Person fit

Code

RIpfit(df.index)

Två korrelationer strax över gränsvärdet, vilket inte är problematiskt.

Code

RIlistitems(df.index)

itemnr	item
q2	Jag trivs i min klass
q3	Jag kan koncentrera mig på lektionerna
q5	Jag lär mig olika saker på lektionerna
q7	Jag blir bra bemött av vuxna i skolan
q8	Jag blir bra bemött av elever i skolan
q9	De vuxna på skolan reagerar om de får reda på att någon har varit elak mot en elev
q10	Jag vet vem på skolan jag kan vända mig till om någon är elak mot mig
q11q12	Har du varit utsatt för en eller flera kränkningar på din skola i år?

4.10 DIF TTS-index

Vi behöver undersöka huruvida frågorna fungerar olika för subgrupper, i detta fall kön och årskurs/stadium.

Code

studiero.items <- names(df.studiero)
ttf.items <- names(df.ttf)
tts.items <- names(df.index)

Vi börjar med enbart högstadiet. “Annat/Vill ej svara” är en för liten grupp, så den kodas som missing.

Funktionen som gör DIF-analysen fungerar inte korrekt när item q11 är med, eftersom det bara har två svarskategorier. Vi gör därför LRT-analyser som inkluderar q11, och DIF-analyser utan q11. LRT står för Likelihood Ratio Test. Eftersom vi har väldigt stora sampel är det hög sannolikhet att få statistisk signifikans i dessa test, även om skillnaderna är såpass små att de inte är relevanta. Därför behöver vi även undersöka storleken av effekterna på item-nivå.

Code

df.dif.tts <- df %>% 
  filter(Stadium == "Högstadiet") %>% 
  mutate(Kön = car::recode(Kön,"'Annat/Vill ej svara'=NA")) %>% 
  #drop_na(Stadium, Kön) %>% 
  mutate(across(q1:q10, ~ car::recode(.x,"'Instämmer inte alls'=0;
                                            2=1;
                                            3=2;
                                            'Instämmer helt'=3;
                                            'Vet ej'=NA;
                                            '<NA>'=NA", 
                                            as.factor = FALSE))) %>% 
  mutate(across(q11:q12, ~ car::recode(.x,"'Nej'=1;
                                       'Ja'=0",
                                       as.factor = FALSE))) %>% 
  mutate(q11q12 = case_when(q11 == 0 | q12 == 0 ~ 0,
                            q11 == 1 & q12 == 1 ~ 1)
         ) %>% 
  select(all_of(tts.items),Kön,Årskurs,Stadium) %>% 
  na.omit()  
  
dif.tts.kön <- df.dif.tts$Kön
dif.tts.årskurs <- df.dif.tts$Årskurs
dif.tts.stadium <- factor(df.dif.tts$Stadium,
                          levels = c("Lågstadiet","Mellanstadiet","Högstadiet"))

df.dif.tts$Kön <- NULL
df.dif.tts$Årskurs <- NULL
df.dif.tts$Stadium <- NULL

itemnr	item
q2	Jag trivs i min klass
q3	Jag kan koncentrera mig på lektionerna
q5	Jag lär mig olika saker på lektionerna
q7	Jag blir bra bemött av vuxna i skolan
q8	Jag blir bra bemött av elever i skolan
q9	De vuxna på skolan reagerar om de får reda på att någon har varit elak mot en elev
q10	Jag vet vem på skolan jag kan vända mig till om någon är elak mot mig
q11q12	Har du varit utsatt för en eller flera kränkningar på din skola i år?

4.10.1 Kön

LRT

Code

RIdifTableLR(df.dif.tts, dif.tts.kön)

	Item locations				Standard errors
Item	Flicka	Pojke	MaxDiff	All	SE_Flicka	SE_Pojke	SE_All
q2	-0.71	-0.504	0.206	-0.631	0.122	0.131	0.089
q3	1.044	0.825	0.219	0.942	0.097	0.104	0.071
q5	-0.457	-0.546	0.089	-0.492	0.120	0.134	0.089
q7	-0.743	-0.243	0.5	-0.499	0.124	0.119	0.086
q8	-0.285	-0.747	0.462	-0.507	0.115	0.140	0.088
q9	0.954	0.876	0.078	0.920	0.090	0.095	0.065
q10	0.199	0.477	0.278	0.332	0.099	0.103	0.072
q11q12	-0.007	-0.417	0.41	-0.194	0.058	0.065	0.043
Note:
Values highlighted in red are above the chosen cutoff 0.5 logits. Background color brown and blue indicate the lowest and highest values among the DIF groups.

LRT figure

Code

RIdifFigureLR(df.dif.tts, dif.tts.kön)

LRT thresholds

Code

RIdifThreshFigLR(df.dif.tts, dif.tts.kön)

utan q11q12 (annan metod)

Code

df.dif.tts %>% 
  select(!q11q12) %>% 
  RIdifTable(., dif.tts.kön)

Item	2	3	Mean location	StDev	MaxDiff
q2	-0.425	-0.421	-0.423	0.003	0.004
q3	0.749	0.684	0.716	0.046	0.065
q5	-0.091	-0.085	-0.088	0.004	0.006
q7	-0.398	-0.216	-0.307	0.129	0.182
q8	-0.021	-0.298	-0.160	0.196	0.277
q9	0.385	0.379	0.382	0.004	0.006
q10	-0.198	-0.043	-0.121	0.110	0.155

Thresholds utan q11q12

Code

df.dif.tts %>% 
  select(!q11q12) %>% 
  RIdifFigThresh(., dif.tts.kön)

Väldigt olika utfall mellan de två DIF-metoderna. Men eftersom ingen av dem indikerar DIF för q11q12 väljer vi att gå på analys-metoden som plockar bort q11q12.

Årskurs

itemnr	item
q2	Jag trivs i min klass
q3	Jag kan koncentrera mig på lektionerna
q5	Jag lär mig olika saker på lektionerna
q7	Jag blir bra bemött av vuxna i skolan
q8	Jag blir bra bemött av elever i skolan
q9	De vuxna på skolan reagerar om de får reda på att någon har varit elak mot en elev
q10	Jag vet vem på skolan jag kan vända mig till om någon är elak mot mig
q11q12	Har du varit utsatt för en eller flera kränkningar på din skola i år?

LRT

Code

RIdifTableLR(df.dif.tts, dif.tts.årskurs)

	Item locations					Standard errors
Item	Åk 7	Åk 8	Åk 9	MaxDiff	All	SE_Åk 7	SE_Åk 8	SE_Åk 9	SE_All
q2	-0.451	-0.687	-0.74	0.289	-0.631	0.156	0.166	0.145	0.089
q3	1.048	0.936	0.854	0.194	0.942	0.125	0.129	0.115	0.071
q5	-0.623	-0.297	-0.513	0.326	-0.492	0.168	0.155	0.145	0.089
q7	-0.537	-0.402	-0.534	0.135	-0.499	0.159	0.152	0.138	0.086
q8	-0.212	-0.709	-0.607	0.497	-0.507	0.149	0.169	0.144	0.088
q9	0.497	0.959	1.226	0.729	0.920	0.124	0.118	0.104	0.065
q10	0.325	0.232	0.423	0.191	0.332	0.130	0.133	0.113	0.072
q11q12	-0.14	-0.095	-0.327	0.232	-0.194	0.074	0.077	0.074	0.043
Note:
Values highlighted in red are above the chosen cutoff 0.5 logits. Background color brown and blue indicate the lowest and highest values among the DIF groups.

4.10.1.1 utan q11q12 (annan metod)

Code

df.dif.tts %>% 
  select(!q11q12) %>% 
  RIdifTable(., dif.tts.årskurs)

Item	2	4	5	Mean location	StDev	MaxDiff
q2	-0.310	-0.450	-0.530	-0.430	0.111	0.220
q3	0.801	0.719	0.633	0.718	0.084	0.168
q5	-0.180	0.009	-0.057	-0.076	0.096	0.189
q7	-0.335	-0.262	-0.318	-0.305	0.039	0.074
q8	-0.021	-0.253	-0.212	-0.162	0.124	0.233
q9	0.185	0.422	0.529	0.379	0.176	0.344
q10	-0.140	-0.186	-0.044	-0.123	0.072	0.141

4.10.2 Interaktion kön/årskurs

itemnr	item
q2	Jag trivs i min klass
q3	Jag kan koncentrera mig på lektionerna
q5	Jag lär mig olika saker på lektionerna
q7	Jag blir bra bemött av vuxna i skolan
q8	Jag blir bra bemött av elever i skolan
q9	De vuxna på skolan reagerar om de får reda på att någon har varit elak mot en elev
q10	Jag vet vem på skolan jag kan vända mig till om någon är elak mot mig
q11q12	Har du varit utsatt för en eller flera kränkningar på din skola i år?

Code

df.dif.tts %>% 
  select(!q11q12) %>% 
  RIdifTable2(., dif.tts.kön, dif.tts.årskurs)

Item	3	4	7	8	9	Mean location	StDev	MaxDiff
q2	-0.324	-0.287	-0.416	-0.532	-0.492	-0.410	0.105	0.245
q3	0.878	0.731	0.773	0.607	0.663	0.730	0.104	0.271
q5	-0.109	-0.270	-0.056	-0.076	0.012	-0.100	0.105	0.282
q7	-0.440	-0.240	-0.281	-0.457	-0.198	-0.323	0.118	0.259
q8	0.081	-0.101	-0.136	-0.024	-0.418	-0.120	0.186	0.499
q9	0.181	0.191	0.392	0.568	0.477	0.362	0.172	0.386
q10	-0.267	-0.025	-0.276	-0.086	-0.045	-0.140	0.122	0.251

Item 8 får något högre maxvärde här, men fortfarande under 0.5.

4.10.3 Stadium

Vi tar inte med förskoleklass, som har lite data.

Code

df.dif.tts <- df %>% 
  filter(!Stadium == "Förskoleklass") %>% 
  mutate(Kön = car::recode(Kön,"'Annat/Vill ej svara'=NA")) %>% 
  drop_na(Stadium, Kön) %>% 
  mutate(across(q1:q10, ~ car::recode(.x,"'Instämmer inte alls'=0;
                                            2=1;
                                            3=2;
                                            'Instämmer helt'=3;
                                            'Vet ej'=NA;
                                            '<NA>'=NA", 
                                            as.factor = FALSE))) %>% 
  mutate(across(q11:q12, ~ car::recode(.x,"'Nej'=1;
                                       'Ja'=0",
                                       as.factor = FALSE))) %>% 
  mutate(q11q12 = case_when(q11 == 0 | q12 == 0 ~ 0,
                            q11 == 1 & q12 == 1 ~ 1)
         ) %>% 
  select(all_of(tts.items),Kön,Årskurs,Stadium,År) %>% 
  na.omit()  
  
dif.tts.kön <- df.dif.tts$Kön
dif.tts.årskurs <- df.dif.tts$Årskurs
dif.tts.stadium <- factor(df.dif.tts$Stadium,
                          levels = c("Lågstadiet","Mellanstadiet","Högstadiet"))
dif.tts.år <- df.dif.tts$År

df.dif.tts$Kön <- NULL
df.dif.tts$Årskurs <- NULL
df.dif.tts$Stadium <- NULL
df.dif.tts$År <- NULL

itemnr	item
q2	Jag trivs i min klass
q3	Jag kan koncentrera mig på lektionerna
q5	Jag lär mig olika saker på lektionerna
q7	Jag blir bra bemött av vuxna i skolan
q8	Jag blir bra bemött av elever i skolan
q9	De vuxna på skolan reagerar om de får reda på att någon har varit elak mot en elev
q10	Jag vet vem på skolan jag kan vända mig till om någon är elak mot mig
q11q12	Har du varit utsatt för en eller flera kränkningar på din skola i år?

LRT

Code

RIdifTableLR(df.dif.tts, dif.tts.stadium)

	Item locations					Standard errors
Item	Lågstadiet	Mellanstadiet	Högstadiet	MaxDiff	All	SE_Lågstadiet	SE_Mellanstadiet	SE_Högstadiet	SE_All
q2	-0.331	-0.647	-0.631	0.316	-0.521	0.089	0.096	0.089	0.052
q3	0.907	0.91	0.942	0.035	0.906	0.065	0.070	0.071	0.039
q5	-0.611	-1.105	-0.492	0.613	-0.784	0.101	0.112	0.089	0.056
q7	-0.554	-0.349	-0.499	0.205	-0.484	0.101	0.088	0.086	0.052
q8	0.061	-0.075	-0.507	0.568	-0.134	0.078	0.083	0.088	0.047
q9	-0.049	0.788	0.92	0.969	0.565	0.083	0.067	0.065	0.040
q10	0.286	0.281	0.332	0.051	0.272	0.087	0.076	0.072	0.044
q11q12	0.876	0.593	-0.194	1.07	0.541	0.035	0.035	0.043	0.021
Note:
Values highlighted in red are above the chosen cutoff 0.5 logits. Background color brown and blue indicate the lowest and highest values among the DIF groups.

PsTree

Code

df.dif.tts %>% 
  select(!q11q12) %>% 
  RIdifTable(., dif.tts.stadium) 

Item	2	4	5	Mean location	StDev	MaxDiff
q2	-0.126	-0.302	-0.429	-0.286	0.152	0.303
q3	0.687	0.740	0.719	0.715	0.027	0.053
q5	-0.329	-0.495	-0.084	-0.303	0.207	0.411
q7	-0.325	-0.265	-0.309	-0.300	0.031	0.061
q8	0.277	0.121	-0.159	0.080	0.221	0.436
q9	-0.029	0.358	0.383	0.237	0.231	0.412
q10	-0.154	-0.157	-0.121	-0.144	0.020	0.036

Här finns tecken på att q11q12 fungerar olika mellan stadier.

4.10.4 DIF kön (samtliga åk 1-9)

Code

df.dif.tts %>% 
  select(!q11q12) %>% 
  RIdifTable(., dif.tts.kön) 

Item	2	3	Mean location	StDev	MaxDiff
q2	-0.237	-0.305	-0.271	0.048	0.068
q3	0.787	0.647	0.717	0.099	0.140
q5	-0.399	-0.274	-0.337	0.088	0.125
q7	-0.397	-0.227	-0.312	0.120	0.170
q8	0.213	0.015	0.114	0.140	0.198
q9	0.239	0.246	0.242	0.005	0.007
q10	-0.206	-0.102	-0.154	0.074	0.105

4.10.4.1 Årtal

Code

df.dif.tts %>%
  select(!q11q12) %>% 
  RIdifTable(., dif.tts.år) 

Item	4	5	6	8	9	Mean location	StDev	MaxDiff
q2	-0.289	-0.385	-0.231	-0.257	-0.216	-0.275	0.067	0.169
q3	0.918	0.804	0.781	0.503	0.501	0.701	0.189	0.417
q5	-0.446	-0.361	-0.376	-0.241	-0.227	-0.330	0.094	0.219
q7	-0.292	-0.240	-0.351	-0.355	-0.289	-0.305	0.048	0.114
q8	0.003	0.109	0.107	0.155	0.179	0.110	0.068	0.176
q9	0.241	0.278	0.236	0.271	0.196	0.244	0.033	0.083
q10	-0.135	-0.204	-0.166	-0.076	-0.145	-0.145	0.047	0.128

:::

4.10.4.2 DIF item fit

Code

df.dif.tts <- df %>% 
  filter(!Stadium == "Förskoleklass") %>% 
  mutate(Kön = car::recode(Kön,"'Annat/Vill ej svara'=NA")) %>% 
  drop_na(Stadium,Kön) %>% 
  mutate(across(q1:q10, ~ car::recode(.x,"'Instämmer inte alls'=0;
                                            2=1;
                                            3=2;
                                            'Instämmer helt'=3;
                                            'Vet ej'=NA;
                                            '<NA>'=NA", 
                                            as.factor = FALSE))) %>% 
  mutate(across(q11:q12, ~ car::recode(.x,"'Nej'=1;
                                       'Ja'=0",
                                       as.factor = FALSE))) %>% 
  mutate(q11q12 = case_when(q11 == 0 | q12 == 0 ~ 0,
                            q11 == 1 & q12 == 1 ~ 1)
         ) %>% 
  select(all_of(tts.items),Kön,Årskurs,Stadium) %>% 
  mutate(Stadium = as.character(Stadium)) %>% # split() i nästa chunk funkar inte med en faktor-variabel om inte alla faktornivåer finns med. Det hade iofs gått bra att köra droplevel() också
  na.omit()  
  
dif.tts.kön <- df.dif.tts$Kön
dif.tts.årskurs <- df.dif.tts$Årskurs
dif.tts.stadium <- df.dif.tts$Stadium

df.dif.tts$Kön <- NULL
df.dif.tts$Årskurs <- NULL

Code

library(furrr)
plan(multisession, workers = 8)

itemfit.time <- df.dif.tts %>% 
  split(.$Stadium) %>% # split() funkar inte med en faktor-variabel om inte alla faktornivåer finns med, behöver kodas om till chr
  future_map(~ RIitemfitPCM(subset(., select = -Stadium), table = FALSE), 
             .options = furrr_options(seed = TRUE))

stadier <- c("Lågstadiet","Mellanstadiet","Högstadiet")
itemfit.all <- data.frame(matrix(ncol = 4, nrow = 0))
colnames(itemfit.all) <- c("Item", "Stadium", 'InfitMSQ','OutfitMSQ')

for (i in stadier) {
  itemfit.add <- itemfit.time[[i]] %>% 
    rownames_to_column("Item") %>% 
    add_column(Stadium = i)
  
  itemfit.all <- rbind(itemfit.all, itemfit.add)
}

Code

itemfit.all %>%
  group_by(Item) %>%
  summarise(
    mean_Out = mean(OutfitMSQ),
    sd_Out = sd(OutfitMSQ),
    max_Out = max(OutfitMSQ),
    min_Out = min(OutfitMSQ),
    mean_In = mean(InfitMSQ),
    sd_In = sd(InfitMSQ),
    max_In = max(InfitMSQ),
    min_In = min(InfitMSQ)
  ) %>%
  mutate(
    diffmax_OutfitMSQ = max_Out - min_Out,
    diffmax_InfitMSQ = max_In - min_In,
    item = Item
  ) %>%
  mutate(across(where(is.numeric), ~ round(.x, 2))) %>%
  mutate(across(starts_with(c("max", "min")), ~ cell_spec(.x, color = ifelse(.x < 0.7, "red",
    ifelse(.x > 1.3, "red", "black")
  )))) %>%
  kbl(booktabs = T, escape = F,
      col.names = c("Item","Mean","SD","Max","Min","Mean","SD","Max","Min","OutfitMSQ","InfitMSQ","Item")) %>%
  # bootstrap options are for HTML output
  kable_styling(
    bootstrap_options = c("striped", "hover"),
    position = "left",
    full_width = F,
    font_size = 15,
    fixed_thead = T
  ) %>%
  column_spec(c(1, 12), bold = T) %>%
  kable_classic(html_font = "Lato") %>%
  # latex_options are for PDF output
  kable_styling(latex_options = c("striped", "scale_down")) %>%
  add_header_above(c(" " = 1, 
                     "OutfitMSQ" = 4, 
                     "InfitMSQ" = 4, 
                     "Max differences" = 2,
                     " " = 1))

	OutfitMSQ				InfitMSQ				Max differences
Item	Mean	SD	Max	Min	Mean	SD	Max	Min	OutfitMSQ	InfitMSQ	Item
q10	0.83	0.09	0.88	0.73	0.88	0.03	0.9	0.85	0.15	0.05	q10
q11q12	1.20	0.09	1.3	1.14	1.07	0.07	1.15	1.03	0.16	0.12	q11q12
q2	0.80	0.07	0.86	0.72	0.84	0.05	0.89	0.8	0.14	0.09	q2
q3	0.98	0.03	1.01	0.96	0.99	0.02	1.01	0.97	0.05	0.05	q3
q5	0.87	0.05	0.91	0.82	0.90	0.02	0.92	0.88	0.09	0.03	q5
q7	0.75	0.09	0.84	0.65	0.80	0.04	0.83	0.76	0.18	0.08	q7
q8	0.85	0.01	0.87	0.85	0.86	0.02	0.89	0.85	0.02	0.03	q8
q9	0.84	0.02	0.86	0.82	0.85	0.01	0.85	0.84	0.03	0.01	q9

5 Rasch-analys 4

Först tas q11q12 bort.

Code

df.index <- df.dif.tts %>% 
  select(!q11q12) %>% 
  select(!Stadium)

Vi lägger nu in alla responser från alla år och årskurser

Item fit

Code

RIitemfitPCM2(df.index, 250, 32, 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
q2	0.858	0.88	-1.06	-1.094
q3	1.016	1.016	0.31	0.166
q5	0.857	0.879	-1.171	-1.351
q7	0.746	0.785	-1.603	-2.047
q8	0.963	0.947	-0.664	-0.513
q9	0.832	0.826	-1.577	-1.853
q10	0.822	0.856	-1.015	-1.238

1st contrast loadings

Code

RIloadLoc(df.index)

PCA av residualer

Code

RIpcmPCA(df.index)

Eigenvalues
1.53
1.31
1.11
1.06
0.99

Residualkorrelationer

Code

RIresidcorr(df.index, 0.2)

	q2	q3	q5	q7	q8	q9	q10
q2
q3	-0.03
q5	-0.16	-0.07
q7	-0.19	-0.23	-0.06
q8	0.05	-0.16	-0.23	-0.15
q9	-0.26	-0.25	-0.11	0.04	-0.22
q10	-0.2	-0.23	-0.13	-0.08	-0.16	-0.04
Note:
Relative cut-off value (highlighted in red) is 0.063, which is 0.2 above the average correlation.

Targeting

Code

RItargeting(df.index)

Item-hierarki

Code

RIitemHierarchy(df.index)

Svarskategorier

Code

RIitemCats(df.index)

Item q10 har oordnade svarskategorier, de två lägsta och de två högsta slås ihop.

Code

df.index$q10 <- car::recode(df.index$q10,"1=0;2=1;3=1")

5.1 Targeting

Code

RItargeting(df.index)

5.2 Reliabilitet

Code

RItif(df.index)

5.3 Person fit

Code

RIpfit(df.index)

Targeting är mycket skev, det skiljer 1.8 logits mellan items och respondenter. Detta framgår också av reliabilitetskurvan, där endast ca 30% av respondenterna befinner sig i området med acceptabel reliabilitet.

5.4 Item-parametrar

Code

RIitemparams(df.index)

	Threshold 1	Threshold 2	Threshold 3	Item location
q2	-0.80	-0.13	1.29	0.12
q3	-0.47	0.83	3.04	1.13
q5	-1.16	-0.06	1.40	0.06
q7	-0.71	-0.12	1.10	0.09
q8	-0.92	0.24	2.22	0.51
q9	-0.21	0.55	1.62	0.66
q10	-0.51	NA	NA	-0.51

5.5 Transformeringstabell

Förutsätter att item 10 har dikotomiserats genom att slå samman de två lägsta och de två högsta svarsalternativen. Det ger oss 6 frågor med 3 trösklar vardera och en fråga med en tröskel, alltså 6*3+1 = 19 som max på ordinal summapoäng.

Code

RIscoreSE(df.index)

Ordinal sum score	Logit score	Logit std.error
0	-3.44	NA
1	-2.62	1.02
2	-1.88	0.74
3	-1.42	0.63
4	-1.07	0.56
5	-0.77	0.52
6	-0.51	0.50
7	-0.27	0.48
8	-0.04	0.48
9	0.18	0.48
10	0.41	0.48
11	0.65	0.49
12	0.89	0.51
13	1.16	0.53
14	1.46	0.57
15	1.81	0.62
16	2.23	0.69
17	2.79	0.81
18	3.65	1.09
19	4.59	NA

6 DIF för trygghet/trivsel

Eftersom dessa enstaka frågor ofta särredovisas är det viktigt att undersöka jämförbarhet mellan kön och ålder.

Code

df.dif.tts <- df %>% 
  filter(!Stadium == "Förskoleklass") %>% 
  mutate(Kön = car::recode(Kön,"'Annat/Vill ej svara'=NA")) %>% 
  drop_na(Stadium, Kön) %>% 
  mutate(across(q1:q10, ~ car::recode(.x,"'Instämmer inte alls'=0;
                                            2=1;
                                            3=2;
                                            'Instämmer helt'=3;
                                            'Vet ej'=NA;
                                            '<NA>'=NA", 
                                            as.factor = FALSE))) %>% 
  mutate(across(q11:q12, ~ car::recode(.x,"'Nej'=1;
                                       'Ja'=0",
                                       as.factor = FALSE))) %>% 
  mutate(q11q12 = case_when(q11 == 0 | q12 == 0 ~ 0,
                            q11 == 1 & q12 == 1 ~ 1)
         ) %>% 
  select(q1:q10,Kön,Årskurs,Stadium,År) %>% 
  select(!q4) %>% 
  na.omit()  
  
dif.tts.kön <- df.dif.tts$Kön
dif.tts.årskurs <- df.dif.tts$Årskurs
dif.tts.stadium <- factor(df.dif.tts$Stadium,
                          levels = c("Lågstadiet","Mellanstadiet","Högstadiet"))
dif.tts.år <- df.dif.tts$År

df.dif.tts$Kön <- NULL
df.dif.tts$Årskurs <- NULL
df.dif.tts$Stadium <- NULL
df.dif.tts$År <- NULL

Vi behöver även undersöka stabiliteten i item fit, åtminstone fördelat på stadium. För detta ändamål återinför vi items 1 och 6.

Kön

Code

RIdifTable(df.dif.tts, dif.tts.kön)

Item	2	3	Mean location	StDev	MaxDiff
q1	-0.140	-0.170	-0.155	0.022	0.031
q2	-0.215	-0.270	-0.243	0.039	0.055
q3	0.864	0.739	0.802	0.089	0.125
q5	-0.368	-0.228	-0.298	0.099	0.140
q6	-0.106	-0.206	-0.156	0.070	0.100
q7	-0.382	-0.190	-0.286	0.136	0.192
q8	0.258	0.069	0.163	0.134	0.189
q9	0.283	0.317	0.300	0.024	0.034
q10	-0.193	-0.060	-0.126	0.094	0.133

Stadium

Code

RIdifTable(df.dif.tts, dif.tts.stadium)

Item	2	4	5	Mean location	StDev	MaxDiff
q1	-0.026	-0.144	-0.335	-0.168	0.156	0.309
q2	-0.131	-0.272	-0.365	-0.256	0.118	0.234
q3	0.738	0.833	0.855	0.809	0.062	0.117
q5	-0.339	-0.464	0.015	-0.263	0.248	0.479
q6	0.009	-0.192	-0.322	-0.168	0.167	0.332
q7	-0.351	-0.237	-0.231	-0.273	0.068	0.120
q8	0.294	0.180	-0.071	0.134	0.186	0.364
q9	-0.024	0.431	0.493	0.300	0.282	0.517
q10	-0.171	-0.135	-0.041	-0.116	0.067	0.130

Årskurs

Code

RIdifTable(df.dif.tts, dif.tts.årskurs)

Item	3	5	6	9	11	12	15	16	17	Mean location	StDev	MaxDiff
q1	-0.001	-0.030	-0.035	-0.047	-0.135	-0.219	-0.320	-0.283	-0.398	-0.163	0.147	0.397
q2	-0.086	-0.055	-0.274	-0.220	-0.305	-0.283	-0.254	-0.410	-0.438	-0.258	0.128	0.383
q3	0.767	0.726	0.725	0.850	0.886	0.783	0.916	0.850	0.800	0.811	0.068	0.190
q5	-0.193	-0.329	-0.539	-0.425	-0.434	-0.509	-0.107	0.104	0.076	-0.262	0.244	0.643
q6	0.016	0.030	0.003	-0.115	-0.242	-0.209	-0.192	-0.275	-0.493	-0.164	0.169	0.523
q7	-0.443	-0.397	-0.206	-0.391	-0.174	-0.172	-0.279	-0.194	-0.210	-0.274	0.108	0.271
q8	0.312	0.293	0.282	0.286	0.124	0.128	0.047	-0.191	-0.083	0.133	0.181	0.502
q9	-0.082	-0.042	0.078	0.223	0.510	0.524	0.268	0.529	0.673	0.298	0.275	0.756
q10	-0.290	-0.195	-0.035	-0.161	-0.229	-0.043	-0.078	-0.129	0.072	-0.121	0.112	0.362

År

Code

RIdifTable(df.dif.tts, dif.tts.år)

Item	4	5	6	8	9	Mean location	StDev	MaxDiff
q1	-0.191	-0.181	-0.157	-0.135	-0.114	-0.156	0.032	0.077
q2	-0.246	-0.336	-0.215	-0.218	-0.212	-0.245	0.052	0.123
q3	1.017	0.882	0.880	0.574	0.577	0.786	0.200	0.444
q5	-0.407	-0.309	-0.346	-0.201	-0.197	-0.292	0.092	0.210
q6	-0.211	-0.143	-0.170	-0.198	-0.085	-0.161	0.050	0.126
q7	-0.239	-0.230	-0.310	-0.315	-0.294	-0.277	0.040	0.085
q8	0.051	0.166	0.152	0.211	0.217	0.159	0.067	0.166
q9	0.314	0.329	0.302	0.331	0.239	0.303	0.038	0.092
q10	-0.089	-0.178	-0.136	-0.049	-0.131	-0.117	0.049	0.129

Kön/stadium

Code

RIdifTable2(df.dif.tts, dif.tts.stadium, dif.tts.kön)

Item	3	4	7	8	10	11	Mean location	StDev	MaxDiff
q1	-0.007	-0.040	-0.076	-0.194	-0.345	-0.313	-0.163	0.144	0.339
q2	-0.133	-0.129	-0.155	-0.376	-0.367	-0.351	-0.252	0.124	0.247
q3	0.818	0.673	0.890	0.796	0.889	0.812	0.813	0.079	0.217
q5	-0.455	-0.251	-0.621	-0.344	0.006	0.012	-0.275	0.253	0.633
q6	0.068	-0.039	-0.096	-0.264	-0.294	-0.340	-0.161	0.162	0.408
q7	-0.399	-0.310	-0.380	-0.126	-0.331	-0.131	-0.279	0.121	0.272
q8	0.337	0.259	0.309	0.077	0.078	-0.222	0.139	0.210	0.558
q9	-0.031	-0.015	0.370	0.483	0.489	0.492	0.298	0.253	0.523
q10	-0.198	-0.148	-0.241	-0.051	-0.124	0.041	-0.120	0.102	0.281

7 Visualiseringar

Code

df <- df %>%
  mutate(diskriminerad = case_when(q16 == "Chosen" ~ "Kön",
                            q17 == "Chosen" ~ "Etnisk bakgrund",
                            q18 == "Chosen" ~ "Religion eller trosuppfattning",
                            q19 == "Chosen" ~ "Funktionshinder",
                            q20 == "Chosen" ~ "Sexuell läggning",
                            q21 == "Chosen" ~ "Ålder",
                            q22 == "Chosen" ~ "Könsidentitet/ könsuttryck",
                            q23 == "Chosen" ~ "Annat",
                            TRUE ~ "Ej diskriminerad"
  )) %>%
  mutate(diskriminerad = factor(diskriminerad))
#df %>% count(diskriminerad)

Code

df.viz <- df %>% 
  filter(!Stadium == "Förskoleklass") %>% 
  mutate(Kön = car::recode(Kön,"'Annat/Vill ej svara'=NA")) %>% 
  drop_na(Stadium,Kön,Årskurs,År) %>% 
  # mutate(across(q1:q10, ~ car::recode(.x,"'Instämmer inte alls'=0;
  #                                           2=1;
  #                                           3=2;
  #                                           'Instämmer helt'=3;
  #                                           'Vet ej'=NA;
  #                                           '<NA>'=NA", 
  #                                           as.factor = FALSE))) %>% 
  # mutate(across(q11:q12, ~ car::recode(.x,"'Nej'=1;
  #                                      'Ja'=0",
  #                                      as.factor = FALSE))) %>% 
  mutate(q11q12 = case_when(q11 == 'Nej' & q12 == 'Nej' ~ 'Nej',
                      q11 == 'Ja' | q12 == 'Ja' ~ 'Ja',
                      TRUE ~ NA)
  ) %>%
  select(q1:q34,q11q12,diskriminerad,Kön,Årskurs,Stadium,År,Skola) %>% 
  mutate(Årskurs = droplevels(Årskurs),
         Stadium = droplevels(Stadium)) %>% 
  mutate(Stadium = factor(Stadium, levels = 
                            c("Lågstadiet","Mellanstadiet","Högstadiet")))

7.1 q11 och q12

Antal

Code

df.viz %>% 
  select(q11,q12,Årskurs,Kön) %>%
  na.omit() %>% 
  pivot_longer(q11:q12,
               names_to = "item",
               values_to = "svarskategori") %>% 
  ggplot(aes(x = svarskategori, fill = Kön)) +
  geom_bar(position = "dodge") +
  facet_grid(item~Årskurs) +
  scale_fill_gender() +
  theme_rise() +
  theme_minimal() +
  labs(title = "Utsatt för kränkningar - antal",
       y = "Antal",
       x = "")

Andel

Code

df.viz %>% 
  select(q11,q12,Årskurs,Kön) %>%
  na.omit() %>% 
  pivot_longer(q11:q12,
               names_to = "item",
               values_to = "svarskategori") %>% 
  group_by(Årskurs,Kön,item) %>% 
  count(svarskategori) %>% 
  mutate(Andel = n * 100/sum(n)) %>% 
  ungroup() %>% 
  ggplot(aes(x = svarskategori, y = Andel, fill = Kön)) +
  geom_col(position = "dodge") +
  facet_grid(item~Årskurs) +
  scale_fill_gender() +
  theme_rise() +
  theme_minimal() +
  labs(title = "Utsatt för kränkningar - andel i %",
       y = "Andel",
       x = "") +
  scale_y_continuous(limits = c(0,100))

Andel/årskurs “Ja” (linje)

Code

df.viz %>% 
  select(q11,q12,Årskurs,Kön) %>%
  pivot_longer(c("q11","q12"),
               names_to = "item",
               values_to = "svarskategori") %>% 
  group_by(Årskurs,Kön,item) %>% 
  count(svarskategori) %>% 
  mutate(Andel = n * 100/sum(n)) %>% 
  ungroup() %>% 
  filter(svarskategori == "Ja") %>% 
  ggplot(aes(x = Årskurs, y = Andel, color = Kön, group = Kön)) +
  geom_point(size = 2.5) +
  geom_line(linewidth = 1.1) +
  facet_wrap(~item) +
  scale_color_gender() +
  theme_rise() +
  theme_minimal() +
  labs(title = "Utsatt för kränkningar - andel i %",
       y = "Andel",
       x = "") +
  scale_y_continuous(limits = c(0,100))

Andel/årskurs “Nej” (linje)

Code

df.viz %>% 
  select(q11,q12,Årskurs,Kön) %>%
  pivot_longer(c("q11","q12"),
               names_to = "item",
               values_to = "svarskategori") %>% 
  group_by(Årskurs,Kön,item) %>% 
  count(svarskategori) %>% 
  mutate(Andel = n * 100/sum(n)) %>% 
  ungroup() %>% 
  filter(svarskategori == "Nej") %>% 
  ggplot(aes(x = Årskurs, y = Andel, color = Kön, group = Kön)) +
  geom_point(size = 2.5) +
  geom_line(linewidth = 1.1) +
  facet_wrap(~item) +
  scale_color_gender() +
  theme_rise() +
  theme_minimal() +
  labs(title = "Ej utsatt för kränkningar - andel i %",
       y = "Andel",
       x = "") +
  scale_y_continuous(limits = c(0,100))

Andel/årskurs “Ja” över tid

Code

df.viz %>% 
  select(q11,q12,Årskurs,Kön,År) %>%
  pivot_longer(c("q11","q12"),
               names_to = "item",
               values_to = "svarskategori") %>% 
  group_by(År,Årskurs,Kön,item) %>% 
  count(svarskategori) %>% 
  mutate(Andel = n * 100/sum(n)) %>% 
  ungroup() %>% 
  filter(svarskategori == "Ja") %>% 
  ggplot(aes(x = År, y = Andel, color = Kön, group = Kön)) +
  geom_point(size = 2) +
  geom_line(linewidth = 1) +
  facet_grid(item~Årskurs) +
  scale_color_gender() +
  theme_rise() +
  theme_minimal() +
  labs(title = "Utsatt för kränkningar - andel i %",
       y = "Andel",
       x = "") +
  scale_y_continuous(limits = c(0,100), 
                     minor_breaks = NULL, 
                     breaks = c(0,20,40,60,80,100)) +
  scale_x_continuous(guide = guide_axis(n.dodge = 2)) +
  theme(panel.border = element_rect(color = "darkgrey", fill = NA))

7.2 Diskriminering

Code

df %>%
  select(q16:q23) %>%
  mutate(across(everything(), ~ as.numeric(.x))) %>%
  RItileplot()

q23 - “Har du känt dig illa/annorlunda behandlad på din skola i år på grund av: - Inget av ovanstående”

q23 är tvetydig, och kodas först som “Annat” i nedanstående figur.

Figur 1

Code

df.viz %>% 
  filter(!diskriminerad == "Ej diskriminerad") %>% 
  filter(Årskurs %in% c("Åk 7","Åk 8", "Åk 9")) %>% 
  mutate(Årskurs = droplevels(Årskurs),
         diskriminerad = droplevels(diskriminerad)) %>% 
  drop_na(diskriminerad) %>%
  group_by(År,Årskurs,Kön) %>%
  count(diskriminerad, .drop = F) %>%
  mutate(Andel = 100*n/sum(n)) %>%
  mutate(diskriminerad = fct_reorder(diskriminerad, desc(n))) %>%
  ggplot(data = .,
         aes(x = År, y = Andel, fill = Kön)) +
  geom_bar(position = position_dodge(),
           stat = 'identity') +
  scale_y_continuous(limits = c(0,100), breaks = c(0,20,40,60,80,100)) +
  scale_x_continuous('År', guide = guide_axis(n.dodge = 2)) +
  scale_color_gender() +
  scale_fill_gender() +
  theme_minimal() +
  theme_rise() +
  facet_grid(Årskurs~diskriminerad,
             labeller = labeller(diskriminerad = label_wrap_gen(16))) 

Figur 2

Vi tar bort Annat och justerar y axeln så vi bättre kan se utveckling över tid.

Code

df.viz %>% 
  filter(!diskriminerad %in% c("Ej diskriminerad","Annat")) %>% 
  filter(Årskurs %in% c("Åk 7","Åk 8", "Åk 9")) %>% 
  mutate(Årskurs = droplevels(Årskurs),
         diskriminerad = droplevels(diskriminerad)) %>% 
  drop_na(diskriminerad) %>%
  group_by(År,Årskurs,Kön) %>%
  count(diskriminerad, .drop = F) %>%
  mutate(Andel = 100*n/sum(n)) %>%
  mutate(diskriminerad = fct_reorder(diskriminerad, desc(n))) %>%
  ggplot(data = .,
         aes(x = År, y = Andel, fill = Kön)) +
  geom_bar(position = position_dodge(),
           stat = 'identity') +
  # scale_y_continuous(limits = c(0,100), breaks = c(0,20,40,60,80,100)) +
  scale_x_continuous('År', guide = guide_axis(n.dodge = 2)) +
  scale_color_gender() +
  scale_fill_gender() +
  theme_minimal() +
  theme_rise() +
  facet_grid(Årskurs~diskriminerad,
             labeller = labeller(diskriminerad = label_wrap_gen(16))) 

Figur 3

Kanske bättre med linje+punkt.

Code

df.viz %>% 
  filter(!diskriminerad %in% c("Ej diskriminerad","Annat")) %>% 
  filter(Årskurs %in% c("Åk 7","Åk 8", "Åk 9")) %>% 
  mutate(Årskurs = droplevels(Årskurs),
         diskriminerad = droplevels(diskriminerad)) %>% 
  drop_na(diskriminerad) %>%
  group_by(År,Årskurs,Kön) %>%
  count(diskriminerad, .drop = F) %>%
  mutate(Andel = 100*n/sum(n)) %>%
  mutate(diskriminerad = fct_reorder(diskriminerad, desc(n))) %>%
  ggplot(data = .,
         aes(x = År, y = Andel, color = Kön, group = Kön)) +
  geom_point(size = 2) +
  geom_line(linewidth = 0.9) +
# scale_y_continuous(limits = c(0,100), breaks = c(0,20,40,60,80,100)) +
  scale_x_continuous('År', guide = guide_axis(n.dodge = 2)) +
  scale_color_gender() +
  scale_fill_gender() +
  theme_minimal() +
  theme_rise() +
  facet_grid(Årskurs~diskriminerad,
             labeller = labeller(diskriminerad = label_wrap_gen(16))) 

7.3 Var känner du dig minst trygg på skolan?

Stadium

Code

df.viz %>% 
  drop_na(q13,Kön) %>% 
  filter(!q13 == "Jag känner mig trygg överallt på skolan") %>% 
  ggplot(aes(x = q13, fill = Kön)) +
  geom_bar(position = "dodge") +
  # scale_y_continuous(limits = c(0,100), breaks = c(0,20,40,60,80,100)) +
  scale_x_discrete('', guide = guide_axis(n.dodge = 2),
                   labels = ~ str_wrap(.x, 8)) +
  scale_color_gender() +
  scale_fill_gender() +
  theme_minimal() +
  theme_rise() +
  labs(title = "Var känner du dig minst trygg på skolan?",
       subtitle = "Samtliga årtal",
       y = "Antal") +
  facet_wrap(~Stadium,
             ncol = 1)

Årskurs

Code

df.viz %>% 
  drop_na(q13,Kön) %>% 
  filter(!q13 == "Jag känner mig trygg överallt på skolan") %>% 
  ggplot(aes(x = q13, fill = Kön)) +
  geom_bar(position = "dodge") +
  # scale_y_continuous(limits = c(0,100), breaks = c(0,20,40,60,80,100)) +
  scale_x_discrete('', guide = guide_axis(n.dodge = 3),
                   labels = ~ str_wrap(.x, 8)) +
  scale_color_gender() +
  scale_fill_gender() +
  theme_minimal() +
  theme_rise() +
  labs(title = "Var känner du dig minst trygg på skolan?",
       subtitle = "Samtliga årtal",
       y = "Antal") +
  facet_wrap(~Årskurs) +
  theme(panel.border = element_rect(colour = "darkgrey", fill = NA))

Trygg över tid

Code

df.viz %>% 
  select(q13,År,Stadium,Kön,Årskurs) %>%
  group_by(År,Stadium,Kön) %>% 
  count(q13, .drop = F) %>% 
  mutate(Andel = n *100 /sum(n)) %>% 
  ungroup() %>% 
  filter(q13 == "Jag känner mig trygg överallt på skolan") %>% 
  ggplot(aes(x = År, y = Andel, color = Kön, group = Kön)) +
  geom_point(size = 2) +
  geom_line(linewidth = 0.9) +
  scale_y_continuous(limits = c(0,100), breaks = c(0,20,40,60,80,100)) +
  scale_x_continuous('År', guide = guide_axis(n.dodge = 2),
                   labels = ~ str_wrap(.x, 8)) +
  scale_color_gender() +
  scale_fill_gender() +
  theme_minimal() +
  theme_rise() +
  labs(title = "Jag känner mig trygg överallt på skolan",
       y = "Andel") +
  facet_wrap(~Stadium)

7.4 Jag känner mig trygg i skolan

Även Skolinspektionen använder denna fråga och båda har fyra svarskategorier. Dock är det inte exakt samma svarskategorier. SI använder Stämmer helt och hållet, Stämmer ganska bra, Stämmer ganska dåligt, Stämmer inte alls, medan TTS har Instämmer helt, 3, 2, Instämmer inte alls. Därmed är det inte säkert att de är helt jämförbara.

Samtliga svarskategorier

Code

df.viz %>% 
  select(q6,Stadium,År,Kön) %>% 
  mutate(q6 = recode(q6,"'Vet ej'=NA")) %>% 
  mutate(q6 = factor(q6, levels = c("Instämmer inte alls","2","3","Instämmer helt"))) %>% 
  drop_na(q6) %>% 
  group_by(År,Stadium,Kön) %>% 
  count(q6, .drop = F) %>% 
  mutate(Andel = n * 100 / sum(n)) %>% 
  
  ggplot(aes(x = År, y = Andel, color = q6, group = q6)) +
  geom_point(size = 2.2) +
  geom_line(linewidth = 1) +
  scale_color_manual(values = rev(c("#5C758B","#009CA6", "#B94F70", "#EC5D4F"))) +
  theme_minimal() +
  theme_rise() +
  scale_y_continuous(limits = c(0,100),
                     breaks = c(0,20,40,60,80,100)) +
  scale_x_continuous('År', guide = guide_axis(n.dodge = 2)) +
  theme(panel.border = element_rect(color = "darkgrey", fill = NA)) +
  facet_grid(Kön~Stadium)  +
  labs(title = "Jag känner mig trygg i skolan",
       subtitle = "Samtliga svarskategorier")

“Positiva/negativa”

Code

df.viz %>% 
  select(q6,Stadium,År,Kön) %>% 
  mutate(q6 = recode(q6,"'Vet ej'=NA;'2'='Instämmer inte alls';'3'='Instämmer helt'")) %>% 
  mutate(q6 = factor(q6, levels = c("Instämmer inte alls","Instämmer helt"))) %>% 
  drop_na(q6) %>% 
  group_by(År,Stadium,Kön) %>% 
  count(q6, .drop = F) %>% 
  mutate(Andel = n * 100 / sum(n)) %>% 
  
  ggplot(aes(x = År, y = Andel, color = q6, group = q6)) +
  geom_point(size = 2.2) +
  geom_line(linewidth = 1) +
  scale_color_manual(values = rev(c("#5C758B","#EC5D4F"))) +
  theme_minimal() +
  theme_rise() +
  scale_y_continuous(limits = c(0,100),
                     breaks = c(0,20,40,60,80,100)) +
  scale_x_continuous('År', 
                     guide = guide_axis(n.dodge = 2)) +
  theme(panel.border = element_rect(color = "darkgrey", fill = NA)) +
  facet_grid(Kön~Stadium)  +
  labs(title = "Jag känner mig trygg i skolan",
       subtitle = "Sammanslagna svarskategorier")

Samtliga skola

Code

df.viz %>% 
  select(q6,Skola,År,Kön) %>% 
  mutate(q6 = recode(q6,"'Vet ej'=NA")) %>% 
  mutate(q6 = factor(q6, levels = c("Instämmer inte alls","2","3","Instämmer helt"))) %>% 
  drop_na(q6) %>% 
  group_by(År,Skola,Kön) %>% 
  count(q6, .drop = F) %>% 
  mutate(Andel = n * 100 / sum(n)) %>% 
  ungroup() %>% 
  mutate(Skola = str_replace(Skola,"skolan","- skolan")) %>% 
  
  ggplot(aes(x = År, y = Andel, color = q6, group = q6)) +
  geom_point(size = 2.2) +
  geom_line(linewidth = 1) +
  scale_color_manual('',
                     values = rev(c("#5C758B","#009CA6", "#B94F70", "#EC5D4F"))) +
  theme_minimal() +
  theme_rise() +
  scale_y_continuous(limits = c(0,100),
                     breaks = c(0,20,40,60,80,100)) +
  scale_x_continuous('År', guide = guide_axis(n.dodge = 2)) +
  theme(panel.border = element_rect(color = "darkgrey", fill = NA),
        legend.position = "top") +
  facet_grid(Kön~Skola,
             labeller = labeller(Skola = label_wrap_gen(4)))  +
  labs(title = "Jag känner mig trygg i skolan",
       subtitle = "Samtliga svarskategorier")

“Positiva/negativa” skola

Code

df.viz %>% 
  select(q6,Skola,År,Kön) %>% 
  mutate(q6 = recode(q6,"'Vet ej'=NA;'2'='Instämmer inte alls';'3'='Instämmer helt'")) %>% 
  mutate(q6 = factor(q6, levels = c("Instämmer inte alls","Instämmer helt"))) %>% 
  drop_na(q6) %>% 
  group_by(År,Skola,Kön) %>% 
  count(q6, .drop = F) %>% 
  mutate(Andel = n * 100 / sum(n)) %>% 
  ungroup() %>% 
  mutate(Skola = str_replace(Skola,"skolan","- skolan")) %>% 
  
  ggplot(aes(x = År, y = Andel, color = q6, group = q6)) +
  geom_point(size = 2.2) +
  geom_line(linewidth = 1) +
  scale_color_manual('',values = rev(c("#5C758B","#EC5D4F"))) +
  theme_minimal() +
  theme_rise() +
  scale_y_continuous(limits = c(0,100),
                     breaks = c(0,20,40,60,80,100)) +
  scale_x_continuous('År', guide = guide_axis(n.dodge = 2)) +
  theme(panel.border = element_rect(color = "darkgrey", fill = NA),
        legend.position = "top") +
  facet_grid(Kön~Skola,
             labeller = labeller(Skola = label_wrap_gen(4)))  +
  labs(title = "Jag känner mig trygg i skolan",
       subtitle = "Sammanslagna svarskategorier")

7.5 Jag trivs i skolan

Samtliga svarskategorier

Code

df.viz %>% 
  select(q1,Stadium,År,Kön) %>% 
  mutate(q1 = recode(q1,"'Vet ej'=NA")) %>% 
  mutate(q1 = factor(q1, levels = c("Instämmer inte alls","2","3","Instämmer helt"))) %>%   drop_na(q1) %>% 
  group_by(År,Stadium,Kön) %>% 
  count(q1, .drop = F) %>% 
  mutate(Andel = n * 100 / sum(n)) %>%
  
  ggplot(aes(x = År, y = Andel, color = q1, group = q1)) +
  geom_point(size = 2.2) +
  geom_line(linewidth = 1) +
  scale_color_manual(values = rev(c("#5C758B","#009CA6", "#B94F70", "#EC5D4F"))) +
  theme_minimal() +
  theme_rise() +
  scale_y_continuous(limits = c(0,100),
                     breaks = c(0,20,40,60,80,100)) +
  scale_x_continuous('År', guide = guide_axis(n.dodge = 2)) +
  theme(panel.border = element_rect(color = "darkgrey", fill = NA)) +
  facet_grid(Kön~Stadium) +
  labs(title = "Jag trivs i skolan",
       subtitle = "Samtliga svarskategorier")

“Positiva/negativa”

Code

df.viz %>% 
  select(q1,Stadium,År,Kön) %>% 
  mutate(q1 = recode(q1,"'Vet ej'=NA;'2'='Instämmer inte alls';'3'='Instämmer helt'")) %>% 
  mutate(q1 = factor(q1, levels = c("Instämmer inte alls","Instämmer helt"))) %>% 
  drop_na(q1) %>% 
  group_by(År,Stadium,Kön) %>% 
  count(q1, .drop = F) %>% 
  mutate(Andel = n * 100 / sum(n)) %>% 
  
  ggplot(aes(x = År, y = Andel, color = q1, group = q1)) +
  geom_point(size = 2.2) +
  geom_line(linewidth = 1) +
  scale_color_manual(values = rev(c("#5C758B","#EC5D4F"))) +
  theme_minimal() +
  theme_rise() +
  scale_y_continuous(limits = c(0,100),
                     breaks = c(0,20,40,60,80,100)) +
  scale_x_continuous('År', 
                     guide = guide_axis(n.dodge = 2)) +
  theme(panel.border = element_rect(color = "darkgrey", fill = NA)) +
  facet_grid(Kön~Stadium) +
  labs(title = "Jag trivs i skolan",
       subtitle = "Sammanslagna svarskategorier")

Samtliga skola

Code

df.viz %>% 
  select(q1,Skola,År,Kön) %>% 
  mutate(q1 = recode(q1,"'Vet ej'=NA")) %>% 
  mutate(q1 = factor(q1, levels = c("Instämmer inte alls","2","3","Instämmer helt"))) %>% 
  drop_na(q1) %>% 
  group_by(År,Skola,Kön) %>% 
  count(q1, .drop = F) %>% 
  mutate(Andel = n * 100 / sum(n)) %>% 
  ungroup() %>% 
  mutate(Skola = str_replace(Skola,"skolan","- skolan")) %>% 
  
  ggplot(aes(x = År, y = Andel, color = q1, group = q1)) +
  geom_point(size = 2.2) +
  geom_line(linewidth = 1) +
  scale_color_manual('',
                     values = rev(c("#5C758B","#009CA6", "#B94F70", "#EC5D4F"))) +
  theme_minimal() +
  theme_rise() +
  scale_y_continuous(limits = c(0,100),
                     breaks = c(0,20,40,60,80,100)) +
  scale_x_continuous('År', guide = guide_axis(n.dodge = 2)) +
  theme(panel.border = element_rect(color = "darkgrey", fill = NA),
        legend.position = "top") +
  facet_grid(Kön~Skola,
             labeller = labeller(Skola = label_wrap_gen(4)))  +
  labs(title = "Jag trivs i skolan",
       subtitle = "Samtliga svarskategorier")

“Positiva/negativa” skola

Code

df.viz %>% 
  select(q1,Skola,År,Kön) %>% 
  mutate(q1 = recode(q1,"'Vet ej'=NA;'2'='Instämmer inte alls';'3'='Instämmer helt'")) %>% 
  mutate(q1 = factor(q1, levels = c("Instämmer inte alls","Instämmer helt"))) %>% 
  drop_na(q1) %>% 
  group_by(År,Skola,Kön) %>% 
  count(q1, .drop = F) %>% 
  mutate(Andel = n * 100 / sum(n)) %>% 
  ungroup() %>% 
  mutate(Skola = str_replace(Skola,"skolan","- skolan")) %>% 
  
  ggplot(aes(x = År, y = Andel, color = q1, group = q1)) +
  geom_point(size = 2.2) +
  geom_line(linewidth = 1) +
  scale_color_manual('',values = rev(c("#5C758B","#EC5D4F"))) +
  theme_minimal() +
  theme_rise() +
  scale_y_continuous(limits = c(0,100),
                     breaks = c(0,20,40,60,80,100)) +
  scale_x_continuous('År', guide = guide_axis(n.dodge = 2)) +
  theme(panel.border = element_rect(color = "darkgrey", fill = NA),
        legend.position = "top") +
  facet_grid(Kön~Skola,
             labeller = labeller(Skola = label_wrap_gen(4)))  +
  labs(title = "Jag trivs i skolan",
       subtitle = "Sammanslagna svarskategorier")

7.6 Indexvärde TTS

Code

df.viz.index <- df %>% 
  filter(!Stadium == "Förskoleklass") %>% 
  mutate(Kön = car::recode(Kön,"'Annat/Vill ej svara'=NA")) %>% 
  mutate(across(q1:q10, ~ car::recode(.x,"'Instämmer inte alls'=0;
                                            2=1;
                                            3=2;
                                            'Instämmer helt'=3;
                                            'Vet ej'=NA;
                                            '<NA>'=NA",
                                            as.factor = FALSE))) %>%
  mutate(q10 = recode(q10,"1=0;2=1;3=1"), as.factor=F) %>% 
  select(all_of(names(df.index)),diskriminerad,Kön,Årskurs,Stadium,År,Skola) %>% 
  mutate(Årskurs = droplevels(Årskurs),
         Stadium = droplevels(Stadium)) %>% 
  mutate(Stadium = factor(Stadium, levels = 
                            c("Lågstadiet","Mellanstadiet","Högstadiet"))) %>% 
  na.omit()

df.viz.index$score <- RIestThetas2(df.viz.index %>% 
                                     select(starts_with("q")), cpu = 8)

#write_parquet(df.viz.index,"TTSscored.parquet")

Code

RIlistItemsMargin(df.index)

itemnr	item
q2	Jag trivs i min klass
q3	Jag kan koncentrera mig på lektionerna
q5	Jag lär mig olika saker på lektionerna
q7	Jag blir bra bemött av vuxna i skolan
q8	Jag blir bra bemött av elever i skolan
q9	De vuxna på skolan reagerar om de får reda på att någon har varit elak mot en elev
q10	Jag vet vem på skolan jag kan vända mig till om någon är elak mot mig

Stadium

Code

df.viz.index %>%
    group_by(År, Stadium, Kön) %>%
    reframe(
      Medel = mean(score, na.rm = T), # calculate averages, etc
      StDev = sd(score, na.rm = T),
      n = n(),
      StErr = StDev / sqrt(n),
      sd.lo = Medel - StDev,
      sd.hi = Medel + StDev
    ) %>%
    mutate(across(where(is.numeric), ~ round(.x, 3))) %>%
  ggplot(aes(x = År, y = Medel, group = Kön, color = Kön)) + # make plot, with area color
  geom_line(linewidth = 1) +
  geom_point(size = 2.5) +
  # geom_line(data = filter(df.plot, Kommun == fokusKommun),
  #           alpha = 0.9, linewidth = 1.2,) +
  # geom_point(data = filter(df.plot, Kommun == fokusKommun),
  #            alpha = 0.9, size = 3) +
  geom_ribbon(aes(ymin = sd.lo, ymax = sd.hi, fill = Kön),
              alpha = 0.05, linetype = 0
  ) +
  #scale_y_continuous(limits = xlim) +
  scale_x_continuous(guide = guide_axis(n.dodge = 2)) +
  scale_color_gender() +
  scale_fill_gender() +
  labs(title = "Medelvärde över tid",
       subtitle = "Skuggat fält indikerar en standardavvikelse (~ 68%)") +
  xlab("Årtal") +
  theme_minimal() +
  theme_rise() +
  theme(panel.spacing = unit(0.7, "cm")) +
  facet_wrap(~Stadium) +
  coord_cartesian(ylim = c(-2,4.5))

Årskurs

Code

df.viz.index %>%
    group_by(År, Årskurs, Kön) %>%
    reframe(
      Medel = mean(score, na.rm = T), # calculate averages, etc
      StDev = sd(score, na.rm = T),
      n = n(),
      StErr = StDev / sqrt(n),
      sd.lo = Medel - StDev,
      sd.hi = Medel + StDev
    ) %>%
    mutate(across(where(is.numeric), ~ round(.x, 3))) %>%
    #mutate(Skola = str_replace(Skola,"skolan","- skolan")) %>% 
  ggplot(aes(x = År, y = Medel, group = Kön, color = Kön)) + # make plot, with area color
  geom_line(linewidth = 1) +
  geom_point(size = 2.5) +
  # geom_line(data = filter(df.plot, Kommun == fokusKommun),
  #           alpha = 0.9, linewidth = 1.2,) +
  # geom_point(data = filter(df.plot, Kommun == fokusKommun),
  #            alpha = 0.9, size = 3) +
  geom_ribbon(aes(ymin = sd.lo, ymax = sd.hi, fill = Kön),
              alpha = 0.05, linetype = 0
  ) +
  #scale_y_continuous(limits = xlim) +
  scale_x_continuous(guide = guide_axis(n.dodge = 2)) +
  scale_color_gender() +
  scale_fill_gender() +
  labs(title = "Medelvärde över tid",
       subtitle = "Skuggat fält indikerar en standardavvikelse (~ 68%)") +
  xlab("Årtal") +
  theme_minimal() +
  theme_rise() +
  theme(panel.spacing = unit(0.7, "cm")) +
  facet_wrap(~Årskurs,
             nrow = 3) +
  coord_cartesian(ylim = c(-2,4.5))

Alla skolor

Code

df.viz.index %>%
    group_by(År, Skola, Kön) %>%
    reframe(
      Medel = mean(score, na.rm = T), # calculate averages, etc
      StDev = sd(score, na.rm = T),
      n = n(),
      StErr = StDev / sqrt(n),
      sd.lo = Medel - StDev,
      sd.hi = Medel + StDev
    ) %>%
    mutate(across(where(is.numeric), ~ round(.x, 3))) %>%
  mutate(Skola = str_replace(Skola,"skolan","- skolan")) %>% 

  ggplot(aes(x = År, y = Medel, group = Kön, color = Kön)) + # make plot, with area color
  geom_line(linewidth = 1) +
  geom_point(size = 2.5) +
  # geom_line(data = filter(df.plot, Kommun == fokusKommun),
  #           alpha = 0.9, linewidth = 1.2,) +
  # geom_point(data = filter(df.plot, Kommun == fokusKommun),
  #            alpha = 0.9, size = 3) +
  # geom_ribbon(aes(ymin = sd.lo, ymax = sd.hi, fill = Kön),
  #             alpha = 0.05, linetype = 0
  # ) +
  #scale_y_continuous(limits = xlim) +
  scale_x_continuous(guide = guide_axis(n.dodge = 2)) +
  scale_color_gender() +
  scale_fill_gender() +
  labs(title = "Medelvärde över tid") +
  xlab("Årtal") +
  theme_minimal() +
  theme_rise() +
  theme(panel.spacing = unit(0.7, "cm")) +
  facet_wrap(~Skola,
             nrow = 1,
             labeller = labeller(Skola = label_wrap_gen(4))) +
  coord_cartesian(ylim = c(-2,4.5))

Högstadie

Code

df.viz.index %>%
  filter(Stadium == "Högstadiet") %>% 
    group_by(År, Skola, Kön) %>%
    reframe(
      Medel = mean(score, na.rm = T), # calculate averages, etc
      StDev = sd(score, na.rm = T),
      n = n(),
      StErr = StDev / sqrt(n),
      sd.lo = Medel - StDev,
      sd.hi = Medel + StDev
    ) %>%
    mutate(across(where(is.numeric), ~ round(.x, 3))) %>%
    mutate(Skola = str_replace(Skola,"skolan","- skolan")) %>% 
  ggplot(aes(x = År, y = Medel, group = Kön, color = Kön)) + # make plot, with area color
  geom_line(linewidth = 1) +
  geom_point(size = 2.5) +
  # geom_line(data = filter(df.plot, Kommun == fokusKommun),
  #           alpha = 0.9, linewidth = 1.2,) +
  # geom_point(data = filter(df.plot, Kommun == fokusKommun),
  #            alpha = 0.9, size = 3) +
  # geom_ribbon(aes(ymin = sd.lo, ymax = sd.hi, fill = Kön),
  #             alpha = 0.05, linetype = 0
  # ) +
  #scale_y_continuous(limits = xlim) +
  scale_x_continuous(guide = guide_axis(n.dodge = 2)) +
  scale_color_gender() +
  scale_fill_gender() +
  labs(title = "Medelvärde över tid") +
  xlab("Årtal") +
  theme_minimal() +
  theme_rise() +
  theme(panel.spacing = unit(0.7, "cm")) +
  facet_wrap(~Skola,
             nrow = 1,
             labeller = labeller(Skola = label_wrap_gen(4))) +
  coord_cartesian(ylim = c(-2,4.5))

Mellanstadie

Code

df.viz.index %>%
  filter(Stadium == "Mellanstadiet") %>% 
    group_by(År, Skola, Kön) %>%
    reframe(
      Medel = mean(score, na.rm = T), # calculate averages, etc
      StDev = sd(score, na.rm = T),
      n = n(),
      StErr = StDev / sqrt(n),
      sd.lo = Medel - StDev,
      sd.hi = Medel + StDev
    ) %>%
    mutate(across(where(is.numeric), ~ round(.x, 3))) %>%
    mutate(Skola = str_replace(Skola,"skolan","- skolan")) %>% 
  ggplot(aes(x = År, y = Medel, group = Kön, color = Kön)) + # make plot, with area color
  geom_line(linewidth = 1) +
  geom_point(size = 2.5) +
  # geom_line(data = filter(df.plot, Kommun == fokusKommun),
  #           alpha = 0.9, linewidth = 1.2,) +
  # geom_point(data = filter(df.plot, Kommun == fokusKommun),
  #            alpha = 0.9, size = 3) +
  # geom_ribbon(aes(ymin = sd.lo, ymax = sd.hi, fill = Kön),
  #             alpha = 0.05, linetype = 0
  # ) +
  #scale_y_continuous(limits = xlim) +
  scale_x_continuous(guide = guide_axis(n.dodge = 2)) +
  scale_color_gender() +
  scale_fill_gender() +
  labs(title = "Medelvärde över tid") +
  xlab("Årtal") +
  theme_minimal() +
  theme_rise() +
  theme(panel.spacing = unit(0.7, "cm")) +
  facet_wrap(~Skola,
             nrow = 1,
             labeller = labeller(Skola = label_wrap_gen(4))) +
  coord_cartesian(ylim = c(-2,4.5))

Lågstadie

Code

df.viz.index %>%
  filter(Stadium == "Lågstadiet") %>% 
    group_by(År, Skola, Kön) %>%
    reframe(
      Medel = mean(score, na.rm = T), # calculate averages, etc
      StDev = sd(score, na.rm = T),
      n = n(),
      StErr = StDev / sqrt(n),
      sd.lo = Medel - StDev,
      sd.hi = Medel + StDev
    ) %>%
    mutate(across(where(is.numeric), ~ round(.x, 3))) %>%
    mutate(Skola = str_replace(Skola,"skolan","- skolan")) %>% 

  ggplot(aes(x = År, y = Medel, group = Kön, color = Kön)) + # make plot, with area color
  geom_line(linewidth = 1) +
  geom_point(size = 2.5) +
  # geom_line(data = filter(df.plot, Kommun == fokusKommun),
  #           alpha = 0.9, linewidth = 1.2,) +
  # geom_point(data = filter(df.plot, Kommun == fokusKommun),
  #            alpha = 0.9, size = 3) +
  # geom_ribbon(aes(ymin = sd.lo, ymax = sd.hi, fill = Kön),
  #             alpha = 0.05, linetype = 0
  # ) +
  #scale_y_continuous(limits = xlim) +
  scale_x_continuous(guide = guide_axis(n.dodge = 2)) +
  scale_color_gender() +
  scale_fill_gender() +
  labs(title = "Medelvärde över tid") +
  xlab("Årtal") +
  theme_minimal() +
  theme_rise() +
  theme(panel.spacing = unit(0.7, "cm")) +
  facet_wrap(~Skola,
             nrow = 1,
             labeller = labeller(Skola = label_wrap_gen(4))) +
  coord_cartesian(ylim = c(-2,4.5))